近年来,随着大数据相关技术的发展,不光数据维数在增加,计算量也呈指数倍增长。特征选择是解决该问题的方法之一。根据数据的来源,特征选择分为单视图特征选择与多视图特征选择,根据分类模型中是否使用标签,特征选择分为监督、半监督、无监督三种类型。由于多视图数据能够发挥各个视图的优势,因此收到了广泛关注。而有监督特征选择方法因标签的获取成本很高,因此无监督特征选择方法受到了广泛关注。但是目前的无监督多视图特征选择方法存在忽略不同视图特征间的关联性,算法鲁棒性低,计算成本高,数据噪声多、分类模型准确率低等问题,为了解决以上问题,本文进行了无监督多视图特征选择的研究,研究内容主要包括:首先,为了解决特征选择稳健性差的问题,本文通过自适应学习将损失函数引入到机器学习模型中,利用损失与难易之间的对偶关系对样本进行加权,这种加权格式可以使有关数据分析的模型更加稳健。自适应学习依靠预测标签信息自适应的更新Laplace权重图,更新后的权重图能够更精确的表达图像特征,提高特征选择的稳健性。其次,为了解决同类别特征之间关联性不强、算法鲁棒性低等问题,本文基于图正则化来解决上述问题。本文将高维数据表示成一个近邻图,将近邻图与正则化约束项相结合,能够更好的保护数据间隐藏的内在结构。图正则化能够利用数据的局部几何特性来使得同类别特征之间的联系更加密切,从而增加算法的鲁棒性。最后,为了解决特定视图中噪声对特征选择影响较大的问题,本文使用稀疏范数来减少噪声对特征选择的影响。L1/2正则化是一类非凸的优化问题,通过构造定义函数,利用迭代算法进行求解,使数据中的噪声得到降低、还原精度高。所以本文引入L1/2稀疏范数在降低噪声的同时提高分类模型的准确率。基于以上研究,本文提出一个优化算法来对目标函数进行求解。最后,在MSRC-v1数据集,Outdoor Scene数据集,Handwritten Numeral数据集,You Tube数据集上进行特征提取并基于提取的特征进行聚类,实验结果表明,提出的特征提取方法在标准化互信息（NMI）和聚类准确率（ACC）上优于其他方法。